CN111898826A - 资源消耗预测方法、装置、电子设备及可读存储设备 - Google Patents

资源消耗预测方法、装置、电子设备及可读存储设备 Download PDF

Info

Publication number
CN111898826A
CN111898826A CN202010764788.9A CN202010764788A CN111898826A CN 111898826 A CN111898826 A CN 111898826A CN 202010764788 A CN202010764788 A CN 202010764788A CN 111898826 A CN111898826 A CN 111898826A
Authority
CN
China
Prior art keywords
value
period
consumption
sub
resource
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010764788.9A
Other languages
English (en)
Inventor
唐德顺
阮亚华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Wensi Haihui Jinxin Software Co ltd
Original Assignee
Beijing Wensi Haihui Jinxin Software Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Wensi Haihui Jinxin Software Co ltd filed Critical Beijing Wensi Haihui Jinxin Software Co ltd
Priority to CN202010764788.9A priority Critical patent/CN111898826A/zh
Publication of CN111898826A publication Critical patent/CN111898826A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Mathematical Physics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Mathematical Optimization (AREA)
  • General Business, Economics & Management (AREA)
  • Pure & Applied Mathematics (AREA)
  • Operations Research (AREA)
  • Mathematical Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Mathematics (AREA)
  • Primary Health Care (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Biology (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Water Supply & Treatment (AREA)
  • Algebra (AREA)
  • Public Health (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提供一种资源消耗预测方法、装置、电子设备及可读存储设备，方法包括：获取预设历史时段内的各子时段消耗值，根据各子时段消耗值获取候选预测值集合，根据候选预测值集合中各候选预测值、各子时段消耗值以及预设损失函数，确定每个候选预测值对应的总损失值，进而将最小总损失值对应的候选预测值确定为第一预测值，并根据第一预测值确定待预测时段的最终消耗预测值。其中，待预测时段与子时段消耗值对应的时段时长相同。这样，可以使得预测出的待预测时段的最终消耗预测值能够更贴合于资源使用单位的实际资源使用习惯，更贴合于实际情况。

Description

资源消耗预测方法、装置、电子设备及可读存储设备
技术领域
本申请涉及数据处理技术领域，具体而言，涉及一种资源消耗预测方法、装置、电子设备及可读存储设备。
背景技术
在家庭生活中，不可避免的需要涉及到各类资源的购买与使用。比如需要对水、电、气等生活资源进行购买和使用。由于目前诸如水、电、气等资源都是一月甚至两月一结，因此虽然目前各资源提供方或第三方服务方，通常都提供资源购买提醒服务，但是通常都是在结算后，出现资源使用单位将资源使用完毕的情况下才会进行提醒。而若想实现资源耗尽前的预先提醒功能，则可以通过对资源使用单位的资源消耗情况进行预测，根据预测的资源消耗情况估计出资源耗尽时间，从而在资源耗尽前预先提醒。那么如何准确的预测出资源使用单位后续的资源消耗情况，就成为了各资源提供方或第三方服务方所需解决的关键技术难点。
发明内容
本申请实施例的目的在于提供一种资源消耗预测方法、装置、电子设备及可读存储设备，用以实现对于资源使用单位后续的资源消耗情况的预测。
本申请实施例提供了一种资源消耗预测方法，包括：获取预设历史时段内的各子时段消耗值；根据所述各子时段消耗值获取候选预测值集合；根据所述候选预测值集合中各所述候选预测值、所述各子时段消耗值以及预设损失函数，确定每个所述候选预测值对应的总损失值；将最小总损失值对应的所述候选预测值确定为第一预测值，根据所述第一预测值确定待预测时段的最终消耗预测值，其中，所述待预测时段与所述子时段消耗值对应的时段时长相同。
在上述实现过程中，第一预测值是取的相对于预设历史时段内的各子时段消耗值的总损失值最小的那一个候选预测值，也即第一预测值的取值为相对于预设历史时段内的各子时段消耗值的总偏差最小的候选预测值。这样得到的候选预测值与预设历史时段内的各子时段消耗值的关联度最高，贴合预设历史时段内的各子时段消耗值的变化情况，从而具有较高的预测可信度。而待预测时段的最终消耗预测值又是根据第一预测值确定的，因此使得待预测时段的最终消耗预测值能够有效结合预设历史时段内的各子时段消耗值的变化情况，预设历史时段内的各子时段消耗值的变化情况反映的是资源使用单位的实际资源使用习惯，因此就使得预测出的待预测时段的最终消耗预测值能够更贴合于资源使用单位的实际资源使用习惯，更贴合于实际情况，因此也更为准确。
进一步地，所述根据所述各子时段消耗值获取候选预测值集合，包括：获取所述各子时段消耗值中最大消耗值和最小消耗值；按照预设间隔从所述最大消耗值到所述最小消耗值的区间内依次取值，得到所述候选预测值集合。
通常，对于同一资源使用单位，其在各时段内的资源使用情况一般会具有相类似的规律，因此只要取足够的预设历史时段内的各子时段消耗值，那么通常使总损失值最小的候选预测值会位于各子时段消耗值所构成的数值范围内。基于此，在上述实现过程中，通过获取所述各子时段消耗值中最大消耗值和最小消耗值，按照预设间隔从最大消耗值到最小消耗值的区间内依次取值，得到候选预测值集合。这样，即可快速实现对于候选预测值集合的获取，且能够降低本申请实施例方案的复杂度，提高预测效率。
进一步地，所述根据所述候选预测值集合中各所述候选预测值、所述各子时段消耗值以及预设损失函数，确定每个所述候选预测值对应的总损失值，包括：根据所述预设损失函数分别计算所述候选预测值集合中任一候选预测值对应于每个所述子时段消耗值的子损失值；根据所述子损失值，计算所述任一候选预测值对应的总损失值。
进一步地，根据所述子损失值，得到所述任一候选预测值对应的总损失值，包括：根据所述待预测时段与每个所述子时段消耗值对应时段的时间差，确定每个所述子时段消耗值对应的时间权重，所述时间权重与所述时间差负相关；根据所述子损失值以及所述时间权重，计算所述任一候选预测值对应的总损失值。
在实际应用过程中，通常离待预测时段越近的历史时段内的子时段的子时段消耗值对于待预测时段预测效果越好，因为其更能反映资源使用单位最近的资源使用习惯。为此，在上述实现过程中，通过待预测时段与每个子时段消耗值对应时段的时间差，确定每个子时段消耗值对应的时间权重，且时间权重与时间差负相关的方式，从而使得确定出的第一预测值能够更为贴合资源使用单位实际资源使用习惯，提高预测准确性。
进一步地，根据所述子损失值，得到所述任一候选预测值对应的总损失值，包括：根据所述待预测时段与每个所述子时段消耗值对应时段的周期属性匹配程度，确定每个所述子时段消耗值对应的周期度权重，所述周期度权重与所述周期属性匹配程度正相关；根据所述子损失值以及所述周期度权重，计算所述任一候选预测值对应的总损失值。
在实际应用中，资源使用单位的资源使用情况往往会具有一定的周期性。比如在工作日资源使用量会相对较低，而在非工作日则会相对较高。因此可以根据待预测时段与每个子时段消耗值对应时段的周期属性匹配程度，确定每个子时段消耗值对应的周期度权重。比如待预测时段与子时段消耗值对应时段同属工作日或同属非工作日，则可以认为周期属性匹配程度高，确定第一周期度权重，而待预测时段与子时段消耗值对应时段分属工作日和非工作日，则可以认为周期属性匹配程度低，确定第二周期度权重，第一周期度权重大于第二周期度权重。这样，即可使得确定出的第一预测值能够结合资源使用单位的周期性使用情况，使得确定出的第一预测值更贴合资源使用单位实际资源使用习惯，从而提高预测准确性。
进一步地，所述方法还包括：获取资源剩余情况数据；根据所述资源剩余情况数据和所述最终消耗预测值，预测资源耗尽时间；根据所述资源耗尽时间发出资源补充提示。
由于本申请的方案预测得到的最终消耗预测值贴合于资源使用单位的实际资源使用习惯，贴合于实际情况，较为准确，因此基于资源剩余情况数据和最终消耗预测值预测的资源耗尽时间也就更为准确。
进一步地，根据所述资源耗尽时间发出资源补充提示，包括：获取与所述资源相关联的用户群组以及所述用户群组中用户的提示优先级；根据所述提示优先级向所述用户群组发出所述资源补充提示。
进一步地，根据所述提示优先级向所述用户群组发出所述资源补充提示，包括：监控所述用户群组中当前被提示用户在预设时长内是否进行了与所述资源补充提示对应的采购操作；若未监控到所述采购操作，则向其他用户再次发送所述资源补充提示，所述其他用户的提示优先级低于所述当前被提示用户。
本申请实施例还提供了一种资源消耗预测装置，包括：获取模块和处理模块；所述获取模块，用于获取预设历史时段内的各子时段消耗值，根据所述各子时段消耗值获取候选预测值集合；所述处理模块，用于根据所述候选预测值集合中各所述候选预测值、所述各子时段消耗值以及预设损失函数，确定每个所述候选预测值对应的总损失值；将最小总损失值对应的所述候选预测值确定为第一预测值，根据所述第一预测值确定待预测时段的最终消耗预测值，其中，所述待预测时段与所述子时段消耗值对应的时段时长相同。
本申请实施例还提供了一种电子设备，包括：处理器、存储器及通信总线；所述通信总线用于实现所述处理器和存储器之间的连接通信；所述处理器用于执行存储器中存储的一个或者多个程序，以实现上述任一种的资源消耗预测方法。
本申请实施例还提供了一种可读存储介质，所述可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述任一种的资源消耗预测方法。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种资源消耗预测方法的流程示意图；
图2为本申请实施例提供的一种两种模型融合的示意图；
图3为本申请实施例提供的一种三种模型融合的示意图；
图4为本申请实施例提供的一种资源消耗预测装置的结构示意图；
图5为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
实施例一：
为了实现对于资源使用单位后续的资源消耗情况的预测，达到更好的预测效果，本申请实施例中提供了一种资源消耗预测方法，参见图1所示，包括：
S101：获取预设历史时段内的各子时段消耗值。
在本申请实施例中，历史时段内的资源消耗量可以通过设置在使用资源的区域(如家里)的相关设备(比如电表、气表、水表等设备)实现获取。
在本申请实施例中，所谓子时段消耗值是指，在预设的一个子时段的时间长度内(比如一天内)的资源消耗量的值。而预设历史时段则是指预先设定的一段历史时长段，通常离当前时间越近的时间段中的子时段消耗值越能反映资源使用单位最近的实际资源使用习惯，参考价值更大。因此在本申请实施例的一种可选方式中，可以设置距离当前时间点最近的一段时间作为预设历史时段，比如可以设置据当前时间点三个月内的时间段为预设历史时段。
需要说明的是，本申请实施例中所述的资源使用单位可以是仅具有一个用户，也可以具有多个用户。只要其共同使用某一资源，即构成一个资源使用单位。比如，对于一个家庭而言，其家庭成员共同用电，因此这个家庭即构成一个资源使用单位。
S102：根据各子时段消耗值获取候选预测值集合。
应理解，通常，对于同一资源使用单位，其在各时段内的资源使用情况一般会具有相类似的规律。因此对于一个资源使用单位而言，其未来的实际资源使用量大概率仍旧会在预设历史时段内的各子时段消耗值所构成的数值范围内。
因此，为了降低计算量，在本申请实施例的一种可行实施方式中，可以获取各子时段消耗值中最大消耗值和最小消耗值，进而按照预设间隔从最大消耗值到所述最小消耗值的区间内依次取值，得到候选预测值集合。
其中，预设间隔可以由工程师根据实际需要进行设定。预设间隔越小，则候选预测值集合越大，预测结果会越准确，但是相应计算资源消耗会增大，预测效率会降低。而预设间隔越大，则候选预测值集合越小，预测结果相对预设间隔小的情况准确性较差，但是相应计算资源消耗会降低，预测效率高。工程师可以考虑实际情况，兼顾预测效率和预测准确性来设置预设间隔，例如，对于预先水电气等资源消耗量时，可以设定预设间隔为1，或设定预设间隔为依次取整。
S103：根据候选预测值集合中各候选预测值、各子时段消耗值以及预设损失函数，确定每个候选预测值对应的总损失值。
在本申请实施例中，可以根据预设损失函数分别计算候选预测值集合中任一候选预测值对应于每个子时段消耗值的子损失值，进而根据子损失值，计算任一候选预测值对应的总损失值。
需要说明的是，损失函数是用于计算候选预测值相对于各子时段消耗值的偏差的函数。在本申请实施例中，损失函数只要能够反映各子时段消耗值的偏差即可，也即损失函数只要能够满足在候选预测值与子时段消耗值的之差变大时，损失值随之变大，而在候选预测值与子时段消耗值的之差变小时，损失值随之变小即可。
示例性的，本申请实施例中损失函数可以为
Figure BDA0002613283570000071
式中y为候选预测值，c为某一子时段消耗值，L为损失值，||为绝对值符号。
S104：将最小总损失值对应的候选预测值确定为第一预测值，根据第一预测值确定待预测时段的最终消耗预测值。
需要说明的是，由于预设历史时段内的各子时段消耗值整体上反映的是一种资源消耗量的变化趋势，因此候选预测值对应于各子时段消耗值的总损失值就能在整体上反映出该候选预测值相对于现有变化趋势的偏离情况。因此最小总损失值对应的候选预测值即可以认为是与预设历史时段内的各子时段消耗值的关联度最高，最贴合预设历史时段内的各子时段消耗值的变化情况的候选预测值。进而可以取最小总损失值对应的候选预测值确定为第一预测值，根据第一预测值确定待预测时段的最终消耗预测值。
需要注意的是，为了实现预测，待预测时段与子时段消耗值对应的时段时长相同。例如，子时段消耗值对应的时段时长为一天，那么待预测时段也应当为一天，这样才能使得预测值和用于预测的子时段消耗值处于同一纬度上。
在本申请实施例的一种可行实施方式中，可以直接取第一预测值作为未来各待预测时段的最终消耗预测值。
此时，一种可行的实现方式是取Yg＝argminy(∑m∈M(L(y，Km)))，式中L(y，Km)为预设的损失函数，其中y为当前所计算的候选预测值，Km为m时段对应的子时段消耗值，M为预设历史时段(即各子时段消耗值对应的时段的集合)，Yg为待预测时段g的最终消耗预测值，argminy表征取使之后的式子的值最小时的y值。
在实际应用过程中，通常离待预测时段越近的历史时段内的子时段的子时段消耗值对于待预测时段预测效果越好，因为其更能反映资源使用单位最近的资源使用习惯。
为此，在本申请实施例的另一种可行的实现方式中，可以根据待预测时段与每个子时段消耗值对应时段的时间差，确定每个子时段消耗值对应的时间权重，时间权重与时间差负相关；根据子损失值以及时间权重，计算任一候选预测值对应的总损失值。
也即，在本可行实现方式中，待预测时段与每个子时段消耗值对应时段的时间差越大，则时间权重越小。
此时即Yg＝argminy(∑m∈M(L(y，Km))×wm)，式中wm为子时段消耗值Km对应的时间权重。
示例性的，在本申请实施例中，可以取三个权重wm1、wm2和wm3，进而对wm1、wm2和wm3融合得到wm。例如，wm＝a1*wm1+a2*wm2+a3*wm3，a1、a2、a3可以由工程师根据实际需要进行定，a1、a2、a3均为0至1之间的实数，且满足a1+a2+a3＝1。
wm1可以根据m在资源使用单位所有资源使用时段MA中的位置确定，例如：wm1＝m-min(MA)，式中，min(MA)为预设历史时段M中的第一个子时段消耗值对应的时段。
wm2可以根据m在资源使用单位所有资源使用时段中的位置，以及m在M中的位置来共同确定，例如：wm2＝(m-min(M))3×(m-min(MA))，式中，min(M)为预设历史时段M中的第一个子时段消耗值对应的时段。
wm3可以取待预测时段g与子时段消耗值对应时段m的时间差确定，例如：
Figure BDA0002613283570000091
应理解，在本申请实施例的另一种可行示例中，也可以直接取wm3作为wm。
还应理解，本申请实施例中对于wm的确定方式并不限于以上所示例的方式。
此外，还需要理解的是，在实际应用中，资源使用单位的资源使用情况往往会具有一定的周期性。比如在工作日资源使用量会相对较低，而在非工作日则会相对较高。
因此，在本申请实施例的另一种可行的实现方式中，可以根据待预测时段与每个子时段消耗值对应时段的周期属性匹配程度，确定每个子时段消耗值对应的周期度权重，且周期度权重与周期属性匹配程度正相关。进而根据子损失值以及周期度权重，计算任一候选预测值对应的总损失值。
比如，待预测时段g与子时段消耗值对应时段m属于同一类型(例如同属工作日或同属非工作日)，则可以认为周期属性匹配程度高，确定第一周期度权重ψ1，而待预测时段与子时段消耗值对应时段分属不同类型(例如待预测时段与子时段消耗值对应时段分属工作日和非工作日)，则可以认为周期属性匹配程度低，确定第二周期度权重ψ2，第一周期度权重ψ1大于第二周期度权重ψ2。
可选的，可设定ψ1+ψ2＝1，且ψ1-ψ2＞0.5，从而使得两种情况之间的权重能够具有较大差异，从而提高区分效果。
此时即有Yg＝argminy(∑m∈M(L(y，Km))×ψ(g，m))，式中ψ(g，m)为子时段消耗值Km对应的周期度权重。其中，在g和m属于同一类型时，ψ(g，m)取值为ψ1，在g和m分属不同类型时，ψ(g，m)取值为ψ2。
此外，在本申请实施例中，也可以同时结合前述两种可行的实现方式实现，此时即有Yg＝argminy(∑m∈M(L(y，Km))×wm×ψ(g，m))。
需要说明的是，针对前述采用周期度权重的实现方案，其具有形式简单，算法复杂度低的优势，但是并未考虑资源使用单位与每个时段的关联度，因此针对每一个时段m所确定的损失值可能偏高也可能偏低。为此，本申请实施例中可以引入系数pm，该系数pm可以理解为资源使用单位相对于时段m的相关度，从而使得每个日期中能够使得总损失最小。
为确定pm，可以选取排除掉节日等异常因素的预设时间段(比如近六个月)作为训练时间段M’。
可首先根据Y1g＝argminy(∑m∈M”(L(y，Km)))确定出最小总损失值对应的候选预测值Y1g，然后根据pm＝argminy(∑m∈M”(L(p*Yg，Km)))，确定出最小总损失值对应的pm，其中p依次取0至1之间的正数；而M”为M’中与m同属一类的时段集合，比如m为工作日，那么M”为M’中的工作日集合。而式L(p*Yg，Km)与L(y，Km)相比，区别在于式L(p*Yg，Km)中，候选预测值会乘以p。
基于得到的pm，在预设历史时段内则有：Y1g＝argminy(∑m∈M(L(y，Km/pm))×ψ(g，m))×pm。
当然，在考虑到wm时，Y1g＝argminy(∑m∈M(L(y，Km))×wm×ψ(g，m))×pm。
在本申请实施例的一种可行实现方式中，可以直接取Y1g为第一预测值。
此外，在本申请实施例的又一种可行实现方式中，可以取Y1g和取Yg进行综合，从而起到一定的泛化的效果，得到更优的第一预测值。
示例性的，可以对Y1g和取Yg加权求和，得到第一预测值。其中，Y1g和取Yg的权重值可以根据实际需要由工程师进行设定。可选的，Y1g和取Yg的权重值均为0至1之间的实数且和为1。
应当理解的是，前述预测过程可以理解为基于时间序列模型的预测过程。在本申请实施例中还可以结合采用其余模型进行待预测时段的资源消耗量的预测，进而结合多种模型的预测值确定出待预测时段的最终消耗预测值，从而通过多模型融合的方式提升预测效果。
示例性的，参见图2所示，可以通过构建资源使用单位的回归树模型从而预测出待预测时段的第二预测值。
此时，可以通过加权求和等方式根据第一预测值和第二预测值确定出待预测时段的最终消耗预测值。
可选的，第一预测值的权重可以大于第二预测值的权重，从而提高对于基于时间序列数据确定出的第一预测值的偏向性。
此外，考虑到实际应用过程中，与所检测的资源使用单位处于相邻区域的其余资源使用单位受到的外部条件(如天气等因素)的影响基本是一致的，因此处于相邻区域的其余资源使用单位的资源使用情况存在一定的参考价值。为此，在本申请实施例中，参见图3所示，可以预先确定由包含所需预测的资源使用单位，以及相邻区域的其余资源使用单位的预设历史时段内的各子时段消耗值的样本集，并据此构建回归树模型，采用相关外部条件作为决策因素，确定出待预测时段的第三预测值。
此时，可以通过加权求和等方式根据第一预测值、第二预测值和第三预测值确定出待预测时段的最终消耗预测值。
可选的，第一预测值的权重可以大于第二预测值的权重，且第二预测值的权重可以大于第三预测值的权重。
在本申请实施例中，回归树模型可以采用Xgboost或RandomForest实现。
在本申请实施例中，还可以获取资源剩余情况数据，进而在确定出各待预测时段的最终消耗预测值后，即可根据资源剩余情况数据和最终消耗预测值，预测出资源耗尽时间，进而根据资源耗尽时间发出资源补充提示。
在本申请实施例中，资源剩余情况数据可以是资源剩余量，此时根据资源剩余量和各待预测时段的最终消耗预测值，可以快速确定出资源耗尽时间。
此外，在本申请实施例中，资源剩余情况数据也可以是资源的当前资金余额。此时即需要获取资源计费规则(该资源计费规则可以由工程师预置，也可以是通过连接资源的相关售卖方或管理方从而获取到)，进而根据资源计费规则、当前资金余额以及各待预测时段的最终消耗预测值，确定出资源耗尽时间。
在本申请实施例中，发出资源补充提示的时间点可以在确定出的资源耗尽时间之前，比如可以设定在确定出的资源耗尽时间的前一周或者前两天发出资源补充提示。
在本申请实施例中，资源补充提示可以是通过短信、语音、邮件等当时实现。
应理解，在实际应用过程中，一个资源使用单位中可能具有多个用户。本申请实施例中，可以获取与资源相关联的用户群组以及用户群组中用户的提示优先级，进而根据提示优先级向用户群组发出资源补充提示。
示例性的，可以监控用户群组中当前被提示用户在预设时长内是否进行了与资源补充提示对应的采购操作，若未监控到采购操作，则向优先级低于当前被提示用户的其他用户再次发送资源补充提示。
当然，在本申请实施例中也可以不配置用户群组中用户的提示优先级，从而可以向群组中所有用户发出资源补充提示。
本申请实施例中提供的资源消耗预测方法，通过获取预设历史时段内的各子时段消耗值，根据各子时段消耗值获取候选预测值集合，根据候选预测值集合中各候选预测值、各子时段消耗值以及预设损失函数，确定每个候选预测值对应的总损失值，进而将最小总损失值对应的候选预测值确定为第一预测值，并根据第一预测值确定待预测时段的最终消耗预测值。从而使得预测出的待预测时段的最终消耗预测值能够更贴合于资源使用单位的实际资源使用习惯，更贴合于实际情况。
实施例二：
基于同一发明构思，本申请实施例中还提供了一种资源消耗预测装置。请参阅图4所示，图4示出了与实施例一所示的方法对应的资源消耗预测装置100。应理解，资源消耗预测装置100具体的功能可以参见上文中的描述，为避免重复，此处适当省略详细描述。资源消耗预测装置100包括至少一个能以软件或固件的形式存储于存储器中或固化在资源消耗预测装置100的操作系统中的软件功能模块。具体地：
参见图4所示，资源消耗预测装置100包括：获取模块101和处理模块102。其中：
获取模块101，用于获取预设历史时段内的各子时段消耗值，根据各子时段消耗值获取候选预测值集合；
处理模块102，用于根据候选预测值集合中各候选预测值、各子时段消耗值以及预设损失函数，确定每个候选预测值对应的总损失值；将最小总损失值对应的候选预测值确定为第一预测值，根据第一预测值确定待预测时段的最终消耗预测值，其中，待预测时段与子时段消耗值对应的时段时长相同。
在本申请实施例中，获取模块101具体用于获取各子时段消耗值中最大消耗值和最小消耗值；按照预设间隔从最大消耗值到最小消耗值的区间内依次取值，得到候选预测值集合。
在本申请实施例中，处理模块102具体用于根据预设损失函数分别计算候选预测值集合中任一候选预测值对应于每个子时段消耗值的子损失值；根据子损失值，计算任一候选预测值对应的总损失值。
在本申请实施例的一种可行实施方式中，处理模块102具体用于根据待预测时段与每个子时段消耗值对应时段的时间差，确定每个子时段消耗值对应的时间权重，时间权重与时间差负相关；根据子损失值以及时间权重，计算任一候选预测值对应的总损失值。
在本申请实施例的又一种可行实施方式中，处理模块102具体用于根据待预测时段与每个子时段消耗值对应时段的周期属性匹配程度，确定每个子时段消耗值对应的周期度权重，周期度权重与周期属性匹配程度正相关；根据子损失值以及周期度权重，计算任一候选预测值对应的总损失值。
在本申请实施例中，获取模块101还用于获取资源剩余情况数据；处理模块102还用于根据资源剩余情况数据和最终消耗预测值，预测资源耗尽时间；根据资源耗尽时间发出资源补充提示。
在本申请实施例的一种可行实施方式中，处理模块102具体用于获取与资源相关联的用户群组以及用户群组中用户的提示优先级；根据提示优先级向用户群组发出资源补充提示。
在上述可行实施方式中，处理模块102具体用于监控用户群组中当前被提示用户在预设时长内是否进行了与资源补充提示对应的采购操作；若未监控到采购操作，则向其他用户再次发送资源补充提示，其他用户的提示优先级低于当前被提示用户。
需要理解的是，出于描述简洁的考量，部分实施例一中描述过的内容在本实施例中不再赘述。
实施例三：
本实施例提供了一种电子设备，参见图5所示，其包括处理器501、存储器502以及通信总线503。其中：
通信总线503用于实现处理器501和存储器502之间的连接通信。
处理器501用于执行存储器502中存储的一个或多个程序，以实现上述实施例一中的资源消耗预测方法。
可以理解，图5所示的结构仅为示意，电子设备还可包括比图5中所示更多或者更少的组件，或者具有与图5所示不同的配置，例如还可以具有显示屏、键盘、扬声器等部件。
本实施例还提供了一种可读存储介质，如软盘、光盘、硬盘、闪存、U盘、SD(SecureDigital Memory Card，安全数码卡)卡、MMC(Multimedia Card，多媒体卡)卡等，在该可读存储介质中存储有实现上述各个步骤的一个或者多个程序，这一个或者多个程序可被一个或者多个处理器执行，以实现上述实施例一中的资源消耗预测方法。在此不再赘述。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
再者，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
在本文中，多个是指两个或两个以上。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (11)

1.一种资源消耗预测方法，其特征在于，所述方法包括：
获取预设历史时段内的各子时段消耗值；
根据所述各子时段消耗值获取候选预测值集合；
根据所述候选预测值集合中各所述候选预测值、所述各子时段消耗值以及预设损失函数，确定每个所述候选预测值对应的总损失值；
将最小总损失值对应的所述候选预测值确定为第一预测值，根据所述第一预测值确定待预测时段的最终消耗预测值，其中，所述待预测时段与所述子时段消耗值对应的时段时长相同。
2.根据权利要求1所述的方法，其特征在于，所述根据所述各子时段消耗值获取候选预测值集合，包括：
获取所述各子时段消耗值中最大消耗值和最小消耗值；
按照预设间隔从所述最大消耗值到所述最小消耗值的区间内依次取值，得到所述候选预测值集合。
3.根据权利要求1所述的方法，其特征在于，所述根据所述候选预测值集合中各所述候选预测值、所述各子时段消耗值以及预设损失函数，确定每个所述候选预测值对应的总损失值，包括：
根据所述预设损失函数分别计算所述候选预测值集合中任一候选预测值对应于每个所述子时段消耗值的子损失值；
根据所述子损失值，计算所述任一候选预测值对应的总损失值。
4.根据权利要求3所述的方法，其特征在于，根据所述子损失值，得到所述任一候选预测值对应的总损失值，包括：
根据所述待预测时段与每个所述子时段消耗值对应时段的时间差，确定每个所述子时段消耗值对应的时间权重，所述时间权重与所述时间差负相关；
根据所述子损失值以及所述时间权重，计算所述任一候选预测值对应的总损失值。
5.根据权利要求3所述的方法，其特征在于，根据所述子损失值，得到所述任一候选预测值对应的总损失值，包括：
根据所述待预测时段与每个所述子时段消耗值对应时段的周期属性匹配程度，确定每个所述子时段消耗值对应的周期度权重，所述周期度权重与所述周期属性匹配程度正相关；
根据所述子损失值以及所述周期度权重，计算所述任一候选预测值对应的总损失值。
6.根据权利要求1-5任一项所述的方法，其特征在于，所述方法还包括：
获取资源剩余情况数据；
根据所述资源剩余情况数据和所述最终消耗预测值，预测资源耗尽时间；
根据所述资源耗尽时间发出资源补充提示。
7.根据权利要求6所述的方法，其特征在于，根据所述资源耗尽时间发出资源补充提示，包括：
获取与所述资源相关联的用户群组以及所述用户群组中用户的提示优先级；
根据所述提示优先级向所述用户群组发出所述资源补充提示。
8.根据权利要求7所述的方法，其特征在于，根据所述提示优先级向所述用户群组发出所述资源补充提示，包括：
监控所述用户群组中当前被提示用户在预设时长内是否进行了与所述资源补充提示对应的采购操作；
若未监控到所述采购操作，则向其他用户再次发送所述资源补充提示，所述其他用户的提示优先级低于所述当前被提示用户。
9.一种资源消耗预测装置，其特征在于，包括：获取模块和处理模块；
所述获取模块，用于获取预设历史时段内的各子时段消耗值，根据所述各子时段消耗值获取候选预测值集合；
所述处理模块，用于根据所述候选预测值集合中各所述候选预测值、所述各子时段消耗值以及预设损失函数，确定每个所述候选预测值对应的总损失值；将最小总损失值对应的所述候选预测值确定为第一预测值，根据所述第一预测值确定待预测时段的最终消耗预测值，其中，所述待预测时段与所述子时段消耗值对应的时段时长相同。
10.一种电子设备，其特征在于，包括：处理器、存储器及通信总线；
所述通信总线用于实现所述处理器和存储器之间的连接通信；
所述处理器用于执行存储器中存储的一个或者多个程序，以实现如权利要求1至8任一项所述的资源消耗预测方法。
11.一种可读存储介质，其特征在于，所述可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求1至8任一项所述的资源消耗预测方法。
CN202010764788.9A 2020-07-31 2020-07-31 资源消耗预测方法、装置、电子设备及可读存储设备 Pending CN111898826A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010764788.9A CN111898826A (zh) 2020-07-31 2020-07-31 资源消耗预测方法、装置、电子设备及可读存储设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010764788.9A CN111898826A (zh) 2020-07-31 2020-07-31 资源消耗预测方法、装置、电子设备及可读存储设备

Publications (1)

Publication Number Publication Date
CN111898826A true CN111898826A (zh) 2020-11-06

Family

ID=73184055

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010764788.9A Pending CN111898826A (zh) 2020-07-31 2020-07-31 资源消耗预测方法、装置、电子设备及可读存储设备

Country Status (1)

Country Link
CN (1) CN111898826A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113837488A (zh) * 2021-10-14 2021-12-24 南京国铁电气有限责任公司 能源消耗数据预测方法、系统、设备
CN114758447A (zh) * 2021-01-11 2022-07-15 金卡智能集团股份有限公司 终端设备的状态确定方法、装置、设备及可读存储介质
WO2023029680A1 (zh) * 2021-09-02 2023-03-09 深圳前海微众银行股份有限公司 一种确定磁盘可使用时长的方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105954578A (zh) * 2016-04-29 2016-09-21 邹平县供电公司 一种具有数据完整响应及时信息安全的抄表系统
CN207096754U (zh) * 2017-08-14 2018-03-13 三峡大学 一种基于LabView的家庭用电检测系统
CN108197764A (zh) * 2017-12-22 2018-06-22 浙江中易和节能技术有限公司 预测电力企业综合能耗的方法及其设备
CN109087214A (zh) * 2018-07-23 2018-12-25 江苏恒宝智能系统技术有限公司 一种基于区块链的天然气生活缴费管理系统
CN110400010A (zh) * 2019-07-11 2019-11-01 新华三大数据技术有限公司 预测方法、装置、电子设备以及计算机可读存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105954578A (zh) * 2016-04-29 2016-09-21 邹平县供电公司 一种具有数据完整响应及时信息安全的抄表系统
CN207096754U (zh) * 2017-08-14 2018-03-13 三峡大学 一种基于LabView的家庭用电检测系统
CN108197764A (zh) * 2017-12-22 2018-06-22 浙江中易和节能技术有限公司 预测电力企业综合能耗的方法及其设备
CN109087214A (zh) * 2018-07-23 2018-12-25 江苏恒宝智能系统技术有限公司 一种基于区块链的天然气生活缴费管理系统
CN110400010A (zh) * 2019-07-11 2019-11-01 新华三大数据技术有限公司 预测方法、装置、电子设备以及计算机可读存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
方 芳等: "一种自适应选择样本的用电负荷预测方法", 《电子技术应用》, pages 18 - 21 *
牟宏;王春义;顾洁;薛承荣;薛万磊;路宽;: "基于支持向量-分位数回归的短期负荷预测及风险分析", 电力科学与技术学报, no. 03 *
程欣欣;陶晓英;: "基于大数据的客户触达效率提升研究", 信息通信技术, no. 04 *
程锐;: "自动催费系统在电费回收中的应用", 湖州师范学院学报, no. 1 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114758447A (zh) * 2021-01-11 2022-07-15 金卡智能集团股份有限公司 终端设备的状态确定方法、装置、设备及可读存储介质
WO2023029680A1 (zh) * 2021-09-02 2023-03-09 深圳前海微众银行股份有限公司 一种确定磁盘可使用时长的方法及装置
CN113837488A (zh) * 2021-10-14 2021-12-24 南京国铁电气有限责任公司 能源消耗数据预测方法、系统、设备
CN113837488B (zh) * 2021-10-14 2023-12-26 南京国铁电气有限责任公司 能源消耗数据预测方法、系统、设备

Similar Documents

Publication Publication Date Title
CN111898826A (zh) 资源消耗预测方法、装置、电子设备及可读存储设备
CN107578294B (zh) 用户行为预测方法、装置及电子设备
WO2022267735A1 (zh) 业务数据处理方法、装置、计算机设备和存储介质
CN106663289B (zh) 行为需求响应排序
CN106685674B (zh) 网络事件预测以及建立网络事件预测模型的方法和装置
JP6109631B2 (ja) 情報処理システム
US9961202B2 (en) Automated call classification
WO2021204176A1 (zh) 业务数据预测方法、装置、电子设备及计算机可读存储介质
WO2019162894A1 (en) Method and system for pre-emptive deviation detection for telecom process flow using digital twin
US20230013086A1 (en) Systems and Methods for Using Machine Learning Models to Automatically Identify and Compensate for Recurring Charges
CN111242602A (zh) 支付设备的控制方法、装置、计算机可读存储介质和设备
CN110766184A (zh) 订单量预测方法和装置
CN114118570A (zh) 业务数据预测方法及装置、电子设备和存储介质
CN116756522B (zh) 概率预报方法、装置、存储介质及电子设备
CN114282998A (zh) 一种外币账户余额处理方法和装置
US9210265B2 (en) Exploring multiple contact channels to determine potential for reaching customers
WO2022068280A1 (zh) 数据处理方法、装置、设备及存储介质
US8873083B2 (en) User centric print usage
CN110796379B (zh) 业务渠道的风险评估方法、装置、设备及存储介质
Sherchan et al. A trust prediction model for service web
CN110928748A (zh) 业务系统运行监测方法及装置
CN113329128B (zh) 话务数据预测方法及装置、电子设备、存储介质
US20160093002A1 (en) Optimal Battery Pricing and Energy Management for Localized Energy Resources
CN115330089B (zh) 一种基于电力大数据的用户侧行企业动态碳监测分析方法
US9723146B1 (en) Systems and methods for representative credit predicated upon relationship development

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information
CB02 Change of applicant information

Address after: Room 401, building 4, area C, Dongsheng Science Park, 66 xixiaokou Road, Haidian District, Beijing

Applicant after: Zhongdian Jinxin Software Co.,Ltd.

Address before: Room 401, building 4, area C, Dongsheng Science Park, 66 xixiaokou Road, Haidian District, Beijing

Applicant before: Beijing Wensi Haihui Jinxin Software Co.,Ltd.